表面肌电信号特征提取python

表面肌电信号（Surface Electromyography，sEMG）特征提取是指从sEMG信号中提取出有用的特征，以便进行后续的分析和应用。常用的sEMG特征包括时域特征、频域特征、时频域特征等。在Python中，可以使用一些开源的库来进行sEMG特征提取，如EMG-Feature-Extraction、PyEMG等。

以EMG-Feature-Extraction为例，可以按照以下步骤进行sEMG特征提取：

1. 安装EMG-Feature-Extraction库：在命令行中输入pip install EMG-Feature-Extraction。

2. 导入库：在Python代码中导入EMGFeatureExtraction库。

3. 读取sEMG数据：使用numpy库读取sEMG数据。

4. 特征提取：使用EMGFeatureExtraction库中的函数进行特征提取，如时域特征函数time_domain_features()、频域特征函数frequency_domain_features()等。

5. 可视化：使用matplotlib库对提取的特征进行可视化展示。

相关问题

上肢表面肌电信号python代码

### Python 上肢表面肌电 (EMG) 信号处理与分析

以下是针对上肢表面肌电信号的典型数据预处理、特征提取以及分类流程的一个完整示例代码。此代码涵盖了从原始信号加载到最终分类的过程。

#### 数据预处理
在实际应用中，通常需要对采集到的 EMG 原始信号进行滤波和去噪操作：

import numpy as np
from scipy.signal import butter, lfilter

def butter_bandpass(lowcut, highcut, fs, order=5):
    nyquist = 0.5 * fs
    low = lowcut / nyquist
    high = highcut / nyquist
    b, a = butter(order, [low, high], btype='band')
    return b, a

def butter_bandpass_filter(data, lowcut, highcut, fs, order=5):
    b, a = butter_bandpass(lowcut, highcut, fs, order=order)
    y = lfilter(b, a, data)
    return y

# 示例参数设置
fs = 1000.0       # 采样频率 Hz
lowcut = 20.0     # 高通截止频率 Hz
highcut = 450.0   # 低通截止频率 Hz

# 加载模拟 EMG 数据
emg_data = np.random.rand(1000)  # 替换为真实 EMG 数据

filtered_emg_signal = butter_bandpass_filter(emg_data, lowcut, highcut, fs, order=3)[^2]

#### 特征提取
为了进一步分析 EMG 信号的能量特性，可以计算其均方根（RMS）、积分肌电图（IEMG）或其他统计指标：

def calculate_rms(signal, window_size=80):
    squared_signal = signal ** 2
    rms_values = []
    for i in range(len(signal) - window_size + 1):
        window = squared_signal[i:i+window_size]
        rms_value = np.sqrt(np.mean(window))
        rms_values.append(rms_value)
    return np.array(rms_values)

rms_features = calculate_rms(filtered_emg_signal)[^2]

print("RMS Features:", rms_features[:10])  # 打印前十个 RMS 值作为示例

#### 能量阈值检测
当能量超过设定阈值时，触发事件捕获机制，并截取特定时间段内的信号片段供后续分析：

threshold_energy = 0.05  # 自定义能量阈值

energy_exceed_indices = np.where(rms_features > threshold_energy)[0][^2]

if energy_exceed_indices.size > 0:
    start_index = energy_exceed_indices[0]
    end_index = min(start_index + int(fs * 0.8), len(filtered_emg_signal))  # 截取 0.8 秒的数据
    
    captured_segment = filtered_emg_signal[start_index:end_index]
else:
    captured_segment = None

print(f"Captured Segment Length: {len(captured_segment)} samples") if captured_segment is not None else print("No segment captured.")

#### SVM 分类器实现
使用支持向量机（SVM）模型对提取的特征进行分类预测：

from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 构造虚拟训练集（替换为真实的标注数据）
X_train = np.vstack([calculate_rms(np.random.rand(1000)), ] * 10).T
y_train = np.hstack([[i % 2] * 100 for i in range(10)])  # 两类标签交替分布

X_test = X_train.copy()  # 测试集可单独准备
y_test = y_train.copy()

svm_model = SVC(kernel="linear", C=1.0)
svm_model.fit(X_train, y_train)

predictions = svm_model.predict(X_test.reshape(-1, 1))

accuracy = accuracy_score(y_test, predictions)
print(f"SVM Classification Accuracy: {accuracy:.2f}")

---

###

肌电信号特征识别分类

### 肌电信号特征提取与分类

#### 表面肌电（sEMG）信号处理的重要性
表面肌电信号（Surface Electromyography, sEMG）是从体表记录肌肉活动产生的生物电信号。这些信号包含了丰富的生理信息，可用于多种应用领域，如假肢控制、运动分析和康复工程等。

#### 去噪预处理
为了获得高质量的肌电信号数据，在进行特征提取之前通常需要先对原始信号进行去噪处理。基于小波变换的去噪方法被证明能有效去除肌电信号中的噪声并保持其原有特性[^2]。通过选择合适的母小波函数和分解层数，可以在抑制背景干扰的同时最大限度地保存有用的信息。

#### 特征提取技术
对于已净化后的肌电信号，下一步就是从中抽取出有助于后续分类的关键属性。常见的特征提取方式包括但不限于：

- **时间域统计参数**：均值、方差、零交叉率等；
- **频谱分析**：功率谱密度估计、快速傅里叶变换得到的主要频率分量；
- **时频联合表示**：短时傅立叶变换(STFT)，连续/离散小波变换(CWT/DWT)；
- **非线性动力学指标**：样本熵(Sample Entropy), Lyapunov指数等；

一项研究表明，采用相关性热力图作为新的特征选取手段可显著提升最终模型的表现效果。具体来说，这种方法不仅揭示了不同特征间的关联程度，而且避免了冗余计算，从而提高了分类效率和准确性[^3]。

#### 分类算法的选择
一旦完成了特征集构建，则需挑选适合于特定应用场景下的机器学习或深度学习框架来进行预测建模。以下是几种常用的技术选项及其特点概述：

- **传统机器学习**
- 支持向量机 (SVM): 对高维空间内的少量训练样例具备良好的泛化能力。
- k近邻(KNN): 实现简单直观，但可能受到维度灾难的影响。
- 随机森林(RF): 结合多个决策树的结果以增强鲁棒性和抗过拟合性能。

- **现代神经网络架构**
- 卷积神经网路(Convolutional Neural Networks,CNNs): 自动捕捉局部依赖结构的能力使其非常适合处理图像型输入的数据形式转换而来的多导联肌电信号矩阵。
- 循环神经网络(Recurrent Neural Networks,RNNs)/长短记忆单元(Long Short-Term Memory,LSTM): 更擅长应对序列性质明显的动态过程模拟任务。

from sklearn.svm import SVC
from sklearn.neighbors import KNeighborsClassifier
from sklearn.ensemble import RandomForestClassifier
import numpy as np

# 构造简单的二元分类器实例
svm_clf = SVC(kernel='rbf')
knn_clf = KNeighborsClassifier(n_neighbors=5)
rf_clf = RandomForestClassifier()

X_train = np.random.rand(100, 10)  # 训练集特征
y_train = np.random.randint(0, 2, size=(100,))
for clf in [svm_clf, knn_clf, rf_clf]:
    clf.fit(X_train, y_train)

print("Model training completed.")